Hvorfor Claude gør det forkerte: 3 prompts

Læs Ailoot-dokumentationen for at få mere at vide om brugen af tjenesten.

Hvorfor gør Claude det forkerte?#

Du skriver: ”Tilføj filtre på produktsiden.” I dit hoved betyder det et par afkrydsningsfelter og en opdateret liste. Claude hører det samme og beslutter sig for at bygge en komplet filtreringsmotor: sit eget tilstandslager, separat logik til forsinkede input, synkronisering med URL'en og et dusin hjælpefunktioner. Hundreder af linjer, selvom nogle få URL-parametre havde været nok.

I et tilfælde som dette er konklusionen klar: Agenten begik ikke en fejl; den løste blot et langt større problem end nødvendigt. Fejlen var, at det ønskede resultat ikke blev beskrevet kort og præcist nok.

Nøgleordet er ”hensigt”. Du har den i hovedet; Claude har den ikke. Den ser teksten i din anmodning og alt i sin kontekst frem til den anmodning. Derefter udfylder den hullerne med gæt. Jo kortere anmodningen er, desto flere gæt gør den – og desto længere kommer resultatet fra det, du ønskede.

Anthropic siger det tydeligt i Claude Code-dokumentationen:

Jeg oplevede det i mit eget projekt. Jeg bad om en rettelse på én autorisationsskærm og fik en diff, der påvirkede halvdelen af et tilstødende modul. Claude var ikke skyld i det: Jeg gav den én linje, og den udfyldte selv resten. Siden da begynder jeg alle opgaver, der er større end en slåfejl, med spørgsmål – dem Claude stiller mig.

Er det virkelig modellen – og hvorfor rammer selv de stærkeste ved siden af?#

Hver uge kommer der en model, som er ”klogere” end den forrige, og hver gang føles det, som om AI nu endelig vil forstå os ud fra nogle få ord. Det sker ikke. En stærkere model skriver kode hurtigere og håndterer kompleks logik bedre, men den kan stadig ikke læse dine tanker. Hvis opgaven er dårligt formuleret, får du noget, der er flot skrevet, men stadig forkert.

Konklusionen for dig er enkel. Det er en blindgyde at jagte den nyeste model, så den kan gætte bedre. Det er billigere og mere pålideligt at lære at give den opgaver, så den ikke behøver gætte. Det er det, der kommer nu.

Hvad er grilling, og hvordan løser det uoverensstemmelser med AI?#

Det lyder kontraintuitivt. Vi bruger AI for at få tingene gjort hurtigere, og nu får vi at vide, at vi skal sætte farten ned og få den til at stille spørgsmål først. Men fem minutters spørgsmål før kodningen kan spare en times rettelser bagefter.

Problemet er ikke kun, at du forklarede tingene dårligt for Claude. Ofte har du ikke selv gennemtænkt opgaven – hvilke tilfælde der skal håndteres, hvor grænserne går, og hvad der er vigtigst. Grilling afdækker det med spørgsmål. Når samtalen er slut, har du ikke kun en opgave, som AI forstår, men også din egen opgave, endelig beskrevet i detaljer.

Sådan fungerer kontekstdesign: Hovedarbejdet foregår før prompten, ikke mens du skriver den. Du leder ikke efter magiske promptformuleringer; du lægger på forhånd det frem, Claude har brug for, indtil den forstår uden ekstra forklaring.

Hvordan får du Claude til at stille dig spørgsmål først?#

Anthropic tillader ikke blot denne tilgang; den anbefales. Dokumentationen har et afsnit med titlen ”Lad Claude interviewe dig” og en færdig prompt. Her er en praktisk version:

Jeg vil bygge [kort beskrivelse af opgaven].

Interview mig grundigt, før du skriver nogen kode. Stil spørgsmål om implementeringen, grænsefladen, randtilfælde, risici og afvejninger. Stil ikke indlysende spørgsmål – gå i dybden med de vanskelige dele, jeg måske ikke selv har gennemtænkt.

Stil ét spørgsmål ad gangen, og vent på mit svar. Foreslå straks dit anbefalede svar til hvert spørgsmål.

Fortsæt, indtil vi har været omkring det hele. Saml derefter en komplet specifikation i en fil kaldet SPEC.md.

Tre detaljer gør denne prompt nyttig i stedet for dekorativ. For det første: ”ét spørgsmål ad gangen”. Hvis AI sender dig ti spørgsmål på én gang, bliver du overvældet og svarer overfladisk. For det andet: ”foreslå dit svar”. Du behøver ikke finde på det hele fra bunden; du kan være enig eller rette den. For det tredje: ”saml en specifikation i en fil”. Den hensigt, der er afdækket, bliver til et dokument, som ikke går tabt.

Anthropic beskriver gevinsten i forhold til arbejdsindsats:

Når interviewet er slut, åbner du en ny session og giver den den færdige specifikation. Ren kontekst plus tydeligt formuleret hensigt – så rammer Claude plet i første forsøg.

Teknikken ”bevis over for mig, at det her er den bedste plan”#

Grilling afdækker din hensigt. Men AI har også en anden vane: Den griber fat i den første løsning, der virker plausibel. Anthropic kalder det kløften mellem ”stol på, men kontrollér”: Claude producerer en plausibel implementering, som ikke holder i randtilfælde. Løsningen er at bede om dokumentation, før koden skrives.

Jeg føjer næsten altid et afsnit med ”bevis det” til min prompt. Her er den præcise formulering:

Analysér opgaven kritisk, før du skriver kode.

Find 2-3 måder at løse den på. Bevis for hver mulighed, at den faktisk løser min opgave i stedet for at tilføje unødig kompleksitet. Skriv ikke kode bare for at skrive kode.

Vælg derefter én, og bevis, at det er den bedste løsning, gennemtænkt flere skridt frem. Hvad går i stykker, når projektet vokser? Hvad overser vi lige nu?

Foreslå først derefter en implementering.

Uden dette afsnit giver Claude dig den første løsning, der virker. Med det afviser Claude selv blindgyder, forklarer sit valg og lader dig se sin argumentation, før en eneste fil bliver rørt. Du læser en kort tekst, som tager to minutter, i stedet for at bruge en time på at finde ud af, hvorfor den færdige kode ikke virker som forventet.

Præ-mortem: få AI til at finde 10 grunde til fiasko, før du går i gang#

Det her er min yndlingsteknik, og den handler om psykologi. Når du beder AI om at ”gøre et godt stykke arbejde”, er den indstillet på succes og overser hullerne. Bed den forestille sig fiasko, og så begynder den at få øje på det, den tidligere ignorerede. Prompten er kort:

Forestil dig, at det er et år fra nu. Projektet, vi planlægger, er slået fejl.

Skriv 10 grunde til, at det skete. Hvad undlod vi at tage højde for fra starten, hvad undervurderede vi, hvor tog vi genveje, og hvilke antagelser viste sig at være forkerte?

Fortæl mig derefter for hver grund, hvad vi kan rette nu for at håndtere den.

Jeg bruger denne prompt, før jeg godkender planen. Halvdelen af grundene viser sig at være nonsens, men den anden halvdel er reelle faldgruber, jeg ellers ville være stødt på en uge senere. Det tager ti minutter at håndtere dem i planlægningsfasen. Hvis du støder på dem i et færdigt projekt, koster det flere dages undersøgelse.

Kombinationen er enkel: Grilling afdækker hensigten, ”bevis det” forsvarer beslutningen, og præ-mortem finder hullerne. Tre korte tekststykker, du indsætter, før du skriver kode. De forvandler Claude fra en forhastet udfører til en samarbejdspartner, der tænker først.

Hvorfor bliver Claude dårligere, når konteksten er overbelastet?#

Selv en perfekt formuleret opgave falder fra hinanden, hvis du arbejder i en rodet kontekst. Sådan fungerer det: Hver ny anmodning, du sender, bringer hele chathistorikken ind i Claudes arbejdskontekst. Jo længere sessionen varer, desto hurtigere fyldes vinduet. Hold det højst halvt fyldt; derefter begynder AI at opføre sig dumt og miste vigtige ting, I talte om i begyndelsen.

Her er reglen, der sparer mig for mest frustration: Én opgave, én chat. Færdig med en funktion? Luk chatten, og åbn en ny til næste opgave. Ja, nogle gange er det mere praktisk at gøre alt i ét vindue, men du betaler for det med mistet kontekst og svar, der kommer ud på et sidespor.

Anthropic kalder denne fejltype en ”skuffe-session”. Løsningen er enkel: Brug /clear mellem urelaterede opgaver for at rydde vinduet og undgå at tage rod med fra den forrige opgave.

Hvis du har lange sessioner og ikke forstår, hvor pengene og AI'ens opmærksomhed bliver af, gennemgår jeg det separat i guiden om hvor Claude Code-tokens går hen. Jeg har også samlet grundprincipperne for vedvarende kontekst, som Claude læser ved hver opstart, i guiden om opsætning af CLAUDE.md.

Grilling eller Plan Mode – hvad er forskellen, og hvordan passer de sammen?#

Folk forveksler ofte de to teknikker eller tror, at man kun behøver den ene. I praksis hører de til på forskellige tidspunkter i processen.

Anthropic beskriver et klassisk arbejdsforløb i fire faser: Først Explore (Claude undersøger og stiller spørgsmål), derefter Plan (udarbejder en plan uden at foretage ændringer), så Implement (skriver kode efter planen) og til sidst Commit (gemmer resultatet). Grilling foregår i første fase og Plan Mode i den anden. Se guiden om Plan Mode i Claude Code for en fuld gennemgang af anden fase.

Anthropic selv tilføjer et vigtigt forbehold: Overbelast ikke små opgaver med dette.

Ved en slåfejl, et navneskift eller en ændring på én linje skal du bare skrive det direkte uden interview eller plan. Grilling kan betale sig ved opgaver med tvetydighed og en høj fejlomkostning. Ved trivielle opgaver gør det dig bare langsommere.

5 fejl i opgaveformuleringen, der får AI til at gøre det forkerte#

Jeg har samlet almindelige faldgruber i en tabel. Til venstre står det, folk typisk gør og gør forkert; til højre står, hvad de skal gøre i stedet.

Gennemgå den seneste prompt, hvor AI gav dig et forkert svar. Næsten helt sikkert var en af disse fem fejl på spil. Oftest er det den første: Du gav den en kort sætning og forventede, at Claude udfyldte resten korrekt. Den udfyldte resten – bare ikke på den måde, du havde tænkt dig.

Hvad nu: Byg et system, så AI forstår dig ud fra få ord#

De tre prompts i denne guide – grilling, ”bevis det” og præ-mortem – håndterer den konkrete opgave. Det er allerede meget: Du slipper for at få en diff med 14 filer, når du kun ønskede en ændring på én linje.

Men grilling har sine begrænsninger. Det tager lang tid at afdække din hensigt fra bunden hver gang. Det egentlige skifte sker, når noget af konteksten altid er til stede: i en mappe med viden om projektet, i en CLAUDE.md-fil, som Claude læser ved hver opstart, og i din metode, kodet i skills. Så møder AI opgaven med forhåndskendskab til din forretning, dine mål og din stil – og forstår dig ud fra få ord, fordi du har lagt halvdelen af konteksten frem på forhånd.

Anthropics seneste analyse viser, hvor meget arbejde det kræver: Udviklere bruger AI i cirka 60% af deres arbejde, men kan kun stole fuldt på den i 0-20% af opgaverne. Resten kræver din forståelse, dit opsyn og din evne til at forklare, hvad der skal bygges. Det er den færdighed, der er værd at udvikle – ikke jagten på den klogeste model.

Lær Ailoot at kende.